目标检测要解决的3大问题：

1、有没有？

图片中是否有要检测的物体？（检测物体，判定前景背景）

2、是什么？

这些物体分别是什么？（检测到的物体是什么）

3、在哪里？

这些物体在哪里？（画框，描边，变色都行）

yolov1模型图

预测结果

当物体中心落到某个网格中，该网格就负责预测这个物体。

每个网络会生成两个预测框，所以yolov1共有 7x7x2=98个预测框，相对于fast-rcnn成百上千个预测框，yolov1少了很多。

每个预测框对应 维度为2x5 + 20 = 30的向量。 
20代表：yolov1用的数据有20个类别。这20个类别用独热编码表示，是哪个类别就让该类别标记为1.
5代表 : 4个坐标和一个置信度。
置信度计算的是预测边框 与 真实边框的 IOU，IOU用来选择哪个边框作为预测边框。

参考：https://zhuanlan.zhihu.com/p/595221376

损失函数

1.对坐标进行预测，坐标损失

预测第i个网格，的第j个bbox是否有该object。 方法是计算每个网格的两个bbox与真实框的IOU，IOU最大bbox对应的网格中包含这个object。

如果不用根号，则是个线性关系 w越大，该物体与小物体的loss就越大。模型的学习会收到它的影响，主要去满足大物体去了。

超参数 λ_coord 默认是5，是为了平衡非物体（背景）的bbox过多的影响。因为目标对于背景来说是很小的，损失函数占比的权重就很小。

置信度损失

此时加入了一个非物体的置信度和权重 λnoobj=0.5，如果 让一个网络去学习n个类别的分类，那么必须让网络学习n+1个类别的分类。1是背景。背景占比比较多，所以调小它的权重。

对类别进行预测

判断是否有object的中心落入网格中，网格中包含有object的中心，就负责预测该object的类别概率。

直接预测类别-真实类别，这个方法不好，后面Yolo对它改进。

拥挤物体的中心，会跑到一个网格中去，那么一个网络就会预测两个物体。很不好。
对小物体检测也不好，小物体权重小。
对不规则物体（长宽比不正常）

voc数据集

以PASCAL VOC2017为例，它包含如下5个文件夹：

Annotations
JPEGImages
ImageSets
SegmentationClass
SegmentationObject

JPEGImages

PASCAL VOC提供的所有的图片，其中包括训练图片，测试图片。

Annotations

xml格式的标签文件，每个xml对应JPEGImage中的一张图片。各个目标的位置和类别。以(x,y)的格式不保存坐标点。

<annotation>  
    <folder>VOC2012</folder>                             
    <filename>2007_000392.jpg</filename> //文件名  
    <source>                             //图像来源（不重要）  
        <database>The VOC2007 Database</database>  
        <annotation>PASCAL VOC2007</annotation>  
        <image>flickr</image>  
    </source>  
    <size>                              //图像尺寸（长宽以及通道数）                        
        <width>500</width>  
        <height>332</height>  
        <depth>3</depth>  
    </size>  
    <segmented>1</segmented>            //是否用于分割（在图像物体识别中01无所谓）  
    <object>                            //检测到的物体  
        <name>horse</name>              //物体类别  
        <pose>Right</pose>              //拍摄角度  
        <truncated>0</truncated>        //是否被截断（0表示完整）  
        <difficult>0</difficult>        //目标是否难以识别（0表示容易识别）  
        <bndbox>                        //bounding-box（包含左下角和右上角xy坐标）  
            <xmin>100</xmin>  
            <ymin>96</ymin>  
            <xmax>355</xmax>  
            <ymax>324</ymax>  
        </bndbox>  
    </object>  
    <object>              //检测到多个物体  
        <name>person</name>  
        <pose>Unspecified</pose>  
        <truncated>0</truncated>  
        <difficult>0</difficult>  
        <bndbox>  
            <xmin>198</xmin>  
            <ymin>58</ymin>  
            <xmax>286</xmax>  
            <ymax>197</ymax>  
        </bndbox>  
    </object>  
</annotation> 

ImageSets

训练要用到的:

1.train.txt：训练集 （注意，均为图片名，没有后缀。以train.txt为例，分为两列，第一列为图像名如00012；第二列为-1和1，-1表示目标在对应的图像没有出现，1则表示出现。）
2.val.txt：验证集
3.trainval.txt：训练和验证集

# 训练用不到的其它内容
Action：人的动作
Layout：人体的具体部位
Main： 图像物体识别的数据，总共20类, 需要保证train val没有交集。
Segmentation：用于分割的数据

验证集（val）与测试集（test）是有区别的。
验证集：val是validation的简称，验证是否过拟合、以及用来调节训练参数等。
测试集：当模型训练完成后，用于检测模型的准确性。

https://blog.csdn.net/weixin_43570470/article/details/123659793

write_txt.py

'''
    读取XML文件信息
'''

import xml.etree.ElementTree as ET
import os
import random

VOC_CLASSES = (  # 定义所有的类名
    'aeroplane', 'bicycle', 'bird', 'boat',
    'bottle', 'bus', 'car', 'cat', 'chair',
    'cow', 'diningtable', 'dog', 'horse',
    'motorbike', 'person', 'pottedplant',
    'sheep', 'sofa', 'train', 'tvmonitor')   # 使用其他训练集需要更改
# 创建两个文件用于存放
train_set = open('voctrain.txt', 'w')
test_set = open('voctest.txt', 'w')
Annotations = 'VOCdevkit/VOC2017/Annotations'
# 返回Annotations文件下的所有文件名 (里面是所有xml文件，一个图片对应一个xml文件，是对图片的标注)
xml_files = os.listdir(Annotations)
# 打乱数据集
random.shuffle(xml_files)

train_num = int(len(xml_files) * 0.7) # 设置训练集个数
train_lists= xml_files[:train_num] # 训练集列表
test_lists= xml_files[train_num:] # 测试集列表

def parse_rec(filename): # 输入xml文件名
    tree = ET.parse(filename)
    objects = []
    # 读取xml文件中的 <object></object>下的内容
    '''
    <object>                            //检测到的物体  
        <name>horse</name>              //物体类别  
        <pose>Right</pose>              //拍摄角度  
        <truncated>0</truncated>        //是否被截断（0表示完整）  
        <difficult>0</difficult>        //目标是否难以识别（0表示容易识别）  
        <bndbox>                        //bounding-box（包含左下角和右上角xy坐标）  
            <xmin>100</xmin>  
            <ymin>96</ymin>  
            <xmax>355</xmax>  
            <ymax>324</ymax>  
        </bndbox>  
    </object>  

    '''
    for obj in tree.findall('object'):
        # 创建一个结构体
        obj_struct = {}
        # 获取到 difficult元素，如果值为1，表示目标难以识别，则跳过
        difficult = int(obj.findall('difficult').text)
        if difficult ==1:
            continue
        obj_struct['name'] = obj.find('name').text
        bbox = obj.find('bndbox')
        obj_struct['bbox'] = [int(float(bbox.find('xmin').text)),
                             int(float(bbox.find('ymin').text)),
                             int(float(bbox.find('xmax').text)),
                             int(float(bbox.find('ymax').text))]
        objects.append(obj_struct)

    return objects

def write_txt():
    count = 0
    for train_list in train_lists: # 生成训练集txt
        count += 1
        image_name = train_list.split('.')[0] + '.jpg'  # 图片文件名
        results = parse_rec(Annotations + train_list)
        if len(results) == 0:
            print(train_list)
            continue
        train_set.write(image_name)
        for result in results:
            class_name = result['name']
            bbox = result['bbox']
            class_name = VOC_CLASSES.index(class_name)
            train_set.write(' ' + str(bbox[0]) +
                            ' ' + str(bbox[1]) +
                            ' ' + str(bbox[2]) +
                            ' ' + str(bbox[3]) +
                            ' ' + str(class_name))
        train_set.write('\n')
    train_set.close()

    for test_list in test_lists:   # 生成测试集txt
        count += 1
        image_name = test_list.split('.')[0] + '.jpg'  # 图片文件名
        results = parse_rec(Annotations + test_list)
        if len(results) == 0:
            print(test_list)
            continue
        test_set.write(image_name)
        for result in results:
            class_name = result['name']
            bbox = result['bbox']
            class_name = VOC_CLASSES.index(class_name)
            test_set.write(' ' + str(bbox[0]) +
                            ' ' + str(bbox[1]) +
                            ' ' + str(bbox[2]) +
                            ' ' + str(bbox[3]) +
                            ' ' + str(class_name))
        test_set.write('\n')
    test_set.close()


if __name__ == '__main__':
    write_txt()

最终生成的训练集和数据集标签如下：
红框中前四个数是左上和右下角坐标，第五个数是类别。
一个图片可能否有多个目标，所有可能会有多个红框。

yoloData.py

encoder结果是7x7x30 = 7x7x(20+5+5)
20是这个数据集有20类，两个5是因为让这7x7个格子，每个格式产生两个候选框。